[go: up one dir, main page]

CN119544603A - 一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质 - Google Patents

一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN119544603A
CN119544603A CN202411720767.1A CN202411720767A CN119544603A CN 119544603 A CN119544603 A CN 119544603A CN 202411720767 A CN202411720767 A CN 202411720767A CN 119544603 A CN119544603 A CN 119544603A
Authority
CN
China
Prior art keywords
node
network
flow
model
power distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411720767.1A
Other languages
English (en)
Inventor
张珮明
卢建刚
付佳佳
亢中苗
梁文娟
刘元杰
唐杰
麦轩昊
赖心怡
翟心悦
方凱
黄颖坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202411720767.1A priority Critical patent/CN119544603A/zh
Publication of CN119544603A publication Critical patent/CN119544603A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/28—Routing or path finding of packets in data switching networks using route fault recovery
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0659—Management of faults, events, alarms or notifications using network fault recovery by isolating or reconfiguring faulty entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/70—Routing based on monitoring results
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质，方法包括：获取配电通信网中每一节点的第一历史网络流量时间序列数据，并通过流量预测模型预测下一时间步的第一流量预测值；通过网络状态感知模型确定每个节点的风险等级；将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；根据正常节点的位置、连接关系以及网络流量数据，通过路由修复模型确定最优路由路径；根据最优路由路径，更新每一节点的连接关系。通过实施本发明，能够提前发现潜在的故障节点，确保通信链路的正常运行，提高了配电通信网的可靠性和稳定性。

Description

一种配电通信网络故障修复方法、装置、终端设备及计算机可 读存储介质
技术领域
本发明涉及智能电网的通信技术领域，尤其涉及一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质。
背景技术
随着新型电力系统的发展和分布式能源的广泛接入，配电通信网面临着规模扩大、业务类型增多、网络架构复杂化等一系列挑战。传统的故障判断方法仅依赖于当前的网络数据，这可能导致故障被延迟发现，且修复准备时间较长。因此，即使修复完成，配电通信网往往已经遭受了相当大的损失。
因此，为了应对这些挑战，亟需更加智能化的配电通信网管理体系进行网络的智能预测和智能修复，以保障配电通信网的安全稳定运行。
发明内容
本发明实施例提供了一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质，能够提前发现潜在的故障节点，确保通信链路的正常运行，提高了配电通信网的可靠性和稳定性。
本发明一实施例提供了一种配电通信网络故障修复方法，包括：
获取配电通信网中每一节点的第一历史网络流量时间序列数据；
对于配电通信网中每一节点，将第一历史网络流量时间序列数据输入至训练好的流量预测模型中，以使流量预测模型根据第一历史网络流量时间序列数据，确定下一时间步的第一流量预测值；
将每个节点的第一流量预测值输入至训练好的网络状态感知模型中，以使网络状态感知模型根据每个节点的第一流量预测值，确定每个节点的风险等级；
将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；
获取正常节点的位置、连接关系以及网络流量数据；
将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径；
配电通信网根据最优路由路径，更新每一节点的连接关系。
进一步的，配电通信网络故障修复方法，还包括：
将故障节点的第一流量预测值输入至训练好的故障诊断模型中，以使故障诊断模型根据故障节点的第一流量预测值，确定故障节点的故障标签。
进一步的，流量预测模型通过以下方式确定：
获取若干第一训练样本；第一训练样本包括：配电通信网中每一节点的第二历史网络流量时间序列数据，以及下一时间步的实际流量值；
将每一第一训练样本分别输入至初始的长短期记忆神经网络模型中进行迭代训练，直至第一损失函数收敛，得到训练好的流量预测模型；其中，在每次训练时，将当前第一训练样本中每一节点的第二历史网络流量时间序列数据进行若干次前向传播，得到第二流量预测值；根据第二流量预测值以及对应第一训练样本中的下一时间步的实际流量值，计算第一损失函数。
进一步的，网络状态感知模型通过以下方式确定：
获取若干第二训练样本；第二训练样本包括：配电通信网中每一节点的流量值，以及对应节点的风险等级；
将每一第二训练样本分别输入至初始的自动编码器模型中进行迭代训练，直至第二损失函数收敛，得到训练好的网络状态感知模型；其中，在每次训练时，将当前第二训练样本中每一节点的流量值通过自动编码器模型内设的编码器进行压缩和降维，得到潜在空间中的第一低维特征；将第一低维特征通过自动编码器模型内设的图自动编码器进行聚类，得到预测的聚类结果；根据预测的聚类结果以及对应第二训练样本中对应节点的风险等级，计算第二损失函数。
进一步的，自动编码器模型内设的编码器通过以下方式确定：
将每一第二训练样本分别输入至自动编码器模型中待训练的编码器和待训练的解码器进行迭代训练，直至重建损失收敛，得到自动编码器模型内设的编码器；其中，在每次训练时，将当前第二训练样本中每一节点的流量值通过自动编码器模型中待训练的编码器进行压缩和降维，得到潜在空间中的第二低维特征；将第二低维特征通过自动编码器模型中待训练的解码器进行重构，得到重建数据；根据重建数据和对应第二训练样本中每一节点的流量值，计算重建损失。
进一步的，故障诊断模型通过以下方式确定：
获取若干第三训练样本；第三训练样本包括：配电通信网中每一节点的第二历史网络流量时间序列数据，以及对应节点的故障标签；
将每一第三训练样本分别输入至待训练的故障诊断模型中进行迭代训练，直至第三损失函数收敛，得到训练好的故障诊断模型；其中，在每次训练时，将当前第三训练样本中每一节点的第二历史网络流量时间序列数据进行特征映射与标签分类，得到预测标签；根据预测标签和对应的故障标签，计算第三损失函数。
进一步的，路由修复模型通过以下方式确定：
获取若干第四训练样本；第四训练样本包括：配电通信网中每一节点的位置、连接关系以及网络流量数据；
将每一第四训练样本分别输入至待训练的路由修复模型中进行迭代训练，直至第四损失函数收敛，得到训练好的路由修复模型；其中，在每次训练时，根据当前第四训练样本中每一节点的位置、连接关系以及网络流量数据，生成拓扑矩阵；拓扑矩阵通过单智能体算法中的强化学习以及排序机制，生成路由策略；根据路由策略和预设的奖励函数，计算第四损失函数。
在上述方法项实施例的基础上，本发明对应提供了装置项实施例，包括：流量数据获取模块、流量预测模块、节点风险确定模块、节点定义模块、路由数据获取模块、最优路由路径确定模块、以及路径更新模块；
流量数据获取模块，用于获取配电通信网中每一节点的第一历史网络流量时间序列数据；
流量预测模块，用于对于配电通信网中每一节点，将第一历史网络流量时间序列数据输入至训练好的流量预测模型中，以使流量预测模型根据第一历史网络流量时间序列数据，确定下一时间步的第一流量预测值；
节点风险确定模块，用于将每个节点的第一流量预测值输入至训练好的网络状态感知模型中，以使网络状态感知模型根据每个节点的第一流量预测值，确定每个节点的风险等级；
节点定义模块，用于将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；
路由数据获取模块，用于获取正常节点的位置、连接关系以及网络流量数据；
最优路由路径确定模块，用于将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径；
路径更新模块，用于配电通信网根据最优路由路径，更新每一节点的连接关系。
在上述方法项实施例的基础上，本发明对应提供了终端设备项实施例，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，处理器执行所述计算机程序时，实现如本发明所述的配电通信网络故障修复方法的步骤。
在上述方法项实施例的基础上，本发明对应提供了计算机可读存储介质项实施例，包括：存储的计算机程序，在计算机程序运行时，控制计算机可读存储介质所在的设备执行如本发明所述的配电通信网络故障修复方法的步骤。
与现有技术相比，本方案实施例的有益效果在于：
本发明通过获取配电通信网中每一节点的历史网络流量时间序列数据，并通过流量预测模型学习到的历史数据的规律性和趋势性，预测下一时间步的流量预测值，然后通过每个节点的流量预测值来确定每个节点的风险等级，然后，将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点，从而预测未来一段时间内的网络状态和故障可能性，提前发现潜在的故障节点。接着，基于这些预测结果，制定相应的预防措施和修复计划，将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径，保障通信链路在正常节点运行的情况下的连通性。
综上所述，本发明通过预测未来的网络流量，提前发现潜在的故障节点，通过路由修复模型确定最优路由路径，确保通信链路的正常运行，提高了配电通信网的可靠性和稳定性。
附图说明
图1是本发明一实施例提供的配电通信网络故障修复方法的流程示意图；
图2是本发明一实施例提供的流量预测模型训练过程的流程示意图；
图3是本发明一实施例提供的网络状态感知模型训练过程的流程示意图；
图4是本发明一实施例提供的路由修复模型训练过程的流程示意图；
图5是本发明一实施例提供的配电通信网络故障修复装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
如图1所示，本发明一实施例提供了一种配电通信网络故障修复方法，该方法至少包括如下步骤：
步骤S1：获取配电通信网中每一节点的第一历史网络流量时间序列数据；
对于步骤S1，获取配电通信网中每一节点的第一历史网络流量时间序列数据Xi t，假设有N个节点，那么其中，矩阵表示序列输入特征，D表示每个时间步的特征维度，S表示序列的长度。
需要说明的是，配电通信网中的节点实际上是指配电通信网中的端口。第一历史网络流量时间序列数据可以包括先前的流量观测，例如过去几个小时或几天的流量数据。
步骤S2：对于配电通信网中每一节点，将第一历史网络流量时间序列数据输入至训练好的流量预测模型中，以使流量预测模型根据第一历史网络流量时间序列数据，确定下一时间步的第一流量预测值；
对于步骤S2，将步骤S1得到的每一节点的第一历史网络流量时间序列数据输入至训练好的流量预测模型，流量预测模型在训练过程中已经学习到了网络流量数据的模式和趋势，通过分析历史数据中的特征和模式，能够识别出节点流量变化的规律，基于这些已学习到的模式和趋势，流量预测模型可以给出下一个时间步中的第一流量预测值。
下面是对流量预测模型的训练过程进行详细说明：
如图2所示，流量预测模型的训练过程包括以下步骤：
步骤S201：获取若干第一训练样本；第一训练样本包括：配电通信网中每一节点的第二历史网络流量时间序列数据，以及下一时间步的实际流量值；
对于步骤S201，要进行流量预测模型的训练，首先需要获取一些第一训练样本，这些样本包括配电通信网中每个节点的第二历史网络流量时间序列数据，以及对应的下一个时间步的实际流量值。
步骤S202：将每一第一训练样本分别输入至初始的长短期记忆神经网络模型中进行迭代训练，直至第一损失函数收敛，得到训练好的流量预测模型；其中，在每次训练时，将当前第一训练样本中每一节点的第二历史网络流量时间序列数据进行若干次前向传播，得到第二流量预测值；根据第二流量预测值以及对应第一训练样本中的下一时间步的实际流量值，计算第一损失函数。
对于步骤S202，为了训练一个准确的流量预测模型，需要先构建一个初始的长短期记忆(Long Short-term Memory，LSTM)神经网络模型，LSTM是一种递归神经网络，专门用于处理序列数据，并具有记忆和学习长期依赖关系的能力。在构建LSTM模型之后，利用步骤S201获取的第一训练样本来对长短期记忆神经网络模型进行训练，从而得到本发明的流量预测模型。
初始的长短期记忆神经网络模型的构建，具体来说，首先，构建时序嵌入层来获得流量数据的时序嵌入，将每个端口i在时间步长t的历史流量时间序列数据输入LSTM网络，并将最后一个隐藏状态作为端口流量的序列嵌入(注意，)，具体表示为：
Et＝LSTM(Xt)
其中，表示所有端口的流量时序嵌入，U表示嵌入大小(即LSTM的隐藏单元数)，接下来，将嵌入表示传递给LSTM层，该层由多个LSTM单元组成，包括：遗忘门、输入门和输出门。
遗忘门通过以下方式计算：
ft＝σ(Wf·[ht-1,xt]+bf)
其中，Wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置，σ表示遗忘门的sigmoid激活函数，遗忘门将输入xt和上一时刻的隐含层输出ht-1整合为一个向量，并通过一个sigmoid神经层进行处理，最后点对点的乘在上一时刻的单元状态ct-1上。
输入门通过以下方式计算：
Ct′＝tanh(Wc·[ht-1,xt]+bc)
it＝σ(Wi·[ht-1,xt]+bi)
其中，Wc表示候选记忆单元的权重矩阵，bc表示候选记忆单元的偏置，tanh表示候选记忆单元的激活函数，Wi表示输入门的权重矩阵，bi表示输入门的偏置，σ表示输入门的激活函数。
输出门通过以下方式计算：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot⊙tanh(ct)
其中，Wo表示输出门的权重矩阵，bo表示输出门的偏置，σ表示sigmoid激活函数。将当前输入值xt与上一时刻的输出值ht-1整合为一个向量，通过sigmoid函数。随后，通过tanh函数将当前的单元状态映射到区间(-1,1)中。
其次，构建关系嵌入层，输入配电通信网设备拓扑关系和时序嵌入，通过图卷积网络(Graph Convolutional Networks，GCN)加入图卷积层，获得流量数据的修正关系嵌入，具体来说，将网络中两个端口之间的关系编码为多个二元向量将所有端口的关系表示为矩阵K是端口关系种类数，本发明只考虑端口拓扑连接关系，所以K＝1，其中第i行第j列的元素为aij。
假设拓扑中每个节点i都有一个特征向量表示其特征，其中d是特征的维度，有一个邻接矩阵表示图的连接关系，其中n是节点的数量。邻接矩阵的元素Aij表示节点i和节点j之间是否有边连接。给定一个节点i，其邻居节点集合为Ni，那么节点i的更新规则可以表示为：
其中，表示节点i在第l+1层的特征表示，σ表示非线性激活函数，W(l)表示第l层的权重矩阵，cij表示归一化系数。将上述更新规则应用到所有节点上，可以构建一个图卷积层。假设有K个卷积核，那么第l+1层的节点特征可以表示为：
其中，H(l)表示第l层的节点特征矩阵，表示增加自连接的邻接矩阵，表示对角度数矩阵，W(l)表示第l层的权重矩阵。
接着，构建预测层，将时序嵌入和修正后的关系嵌入输入全连接层，使用均方误差(Mean Square Error，MSE)作为损失函数：
其中，n表示样本数量，yi表示真实流量值，表示对应的预测流量值。
最后，将每一个第一训练样本分别输入到该初始模型中，并进行迭代训练，直到损失均方误差逐渐减小并趋于稳定，得到一个训练好的流量预测模型。在训练过程中，使用Adam优化器计算梯度的一阶矩估计和二阶矩估计，优化器根据学习率进行参数更新，通过反向传播算法将误差从输出层传回到模型的参数，以使损失函数逐渐减小，使得模型能够学习到流量数据的模式和趋势。不断重复执行训练过程，直到损失均方误差逐渐减小且趋于稳定，当损失值下降到一定程度并且不再明显变化时，可以认为模型已经训练得足够好，可以停止训练，进一步的训练可能会导致过拟合或性能下降。
步骤S3：将每个节点的第一流量预测值输入至训练好的网络状态感知模型中，以使网络状态感知模型根据每个节点的第一流量预测值，确定每个节点的风险等级；
对于步骤S3，将步骤S2得到的每个节点的第一流量预测值输入到训练好的网络状态感知模型中，网络状态感知模型是一个用于确定每个节点风险等级的模型。通过学习历史数据中节点状态与流量预测值之间的关系，可以根据第一流量预测值判断节点的当前状态。
节点的风险等级可以用来评估节点的状态。在本实施例中，风险等级可以分为第一风险等级、第二风险等级、第三风险等级和零风险等级。第一风险等级表示节点处于高风险状态，可能存在严重的网络问题或异常行为；第二风险等级表示节点存在一定的风险，但尚未达到严重的程度；第三风险等级表示节点的风险相对较低，但仍需要进行监控和管理；零风险等级表示节点处于正常状态，没有明显的风险或异常。
下面是对网络状态感知模型的训练过程进行详细说明：
如图3所示，网络状态感知模型的训练过程包括以下步骤：
步骤S301：获取若干第二训练样本；第二训练样本包括：配电通信网中每一节点的流量值，以及对应节点的风险等级；
对于步骤S301，要进行网络状态感知模型的训练，首先需要获取一些第二训练样本，这些样本包括配电通信网中每一节点的流量值，以及对应节点的风险等级。
步骤S302：将每一第二训练样本分别输入至初始的自动编码器模型中进行迭代训练，直至第二损失函数收敛，得到训练好的网络状态感知模型；其中，在每次训练时，将当前第二训练样本中每一节点的流量值通过自动编码器模型内设的编码器进行压缩和降维，得到潜在空间中的第一低维特征；将第一低维特征通过自动编码器模型内设的图自动编码器进行聚类，得到预测的聚类结果；根据预测的聚类结果以及对应第二训练样本中对应节点的风险等级，计算第二损失函数。
在一优选的实施例中，自动编码器模型内设的编码器通过以下方式确定：
将每一第二训练样本分别输入至自动编码器模型中待训练的编码器和待训练的解码器进行迭代训练，直至重建损失收敛，得到自动编码器模型内设的编码器；其中，在每次训练时，将当前第二训练样本中每一节点的流量值通过自动编码器模型中待训练的编码器进行压缩和降维，得到潜在空间中的第二低维特征；将第二低维特征通过自动编码器模型中待训练的解码器进行重构，得到重建数据；根据重建数据和对应第二训练样本中每一节点的流量值，计算重建损失。
对于步骤S302，在本实施例中，使用初始的自动编码器模型来进行网络状态感知的训练。自动编码器是一种无监督学习模型，它可以通过学习输入数据的隐藏表示来重建原始数据。将每一个第二训练样本分别输入到自动编码器模型中，并进行迭代训练，直到第二损失函数收敛，从而得到一个训练好的网络状态感知模型。
首先，需要先构建一个初始的自动编码器模型，自动编码器模型由自动编码器和多个全连接层组成，用于从通信数据中学习层次属性信息，并将学习到的内容嵌入到一个紧凑的低维特征表示中。而自动编码器由两个重要部分组成：编码器函数和解码器函数。编码器将原始属性数据矩阵投影到潜在空间中：
X′＝fe(We,X)
其中，转换结果X′称为属性特征表示，其维度满足d′<d，fe表示编码器函数，We表权重矩阵，能对原始属性数据进行线性变换，为简单起见，本实施例中的所有权重矩阵{W}都带有偏置{b}。而解码器设计于编码器之后，基于X′重建原始数据为
其中，fd表示解码器函数，Wd表示该解码器的权重矩阵。为了获得数据的层次属性信息，我们通过L个全连接层构建编码器和解码器，其中特定深度层自适应地处理隐藏在数据中的相应层次信息。在这个编码器中，第l(0≤l≤L)个神经层学习的分层属性信息表示可以表示为
其中，表示第l层的权重矩阵，σ表示非线性激活函数，如ReLU或Tanh。表示上一层属性信息表示。特别地，表示原始属性数据X，表示编码器输出X′，类似地，编码器之后的解码器函数fd也包含L个全连接层，第l层的层次属性信息表示记为
其中，表示第l层解码器层的权重矩阵。同样，特别地，表示编码器生成的特征表示X′，表示解码器输出即重建的数据
每个神经层的表示显示了特征的层次性质，因此，位于不同网络深度的自动编码器层提取的属性信息被标记有分层含义和性质。通过这种方式，为下游聚类任务中区分故障节点和其他节点提供了丰富的语义信息。为了确保潜在空间中数据表示的有效性，本实施例通过均方误差(MSE)定义基本AE的重建损失：
其中，N表示配电通信网中设备节点的数量。使用重建损失作为目标函数，以最小化重建数据与原始输入数据之间的差异。
接着，构建图注意力网络层(Graph Attention Network,GAT)作为图自动编码器。在这个过程中，将来自基本自动编码器AE的属性信息表示与来自图自动编码器GAT的节点关系表示进行组合，以此来增强整体的特征表示能力，这一组合的具体过程如下所示：
其中，为了更有效地融合AE和GAT的信息，用λ平衡两个模块的权重，这个权重实际上反映了AE的每个神经层中的特征属性以何种比例被传递到GAT相应的层中。通过这样的设计，分层属性信息能够被逐层且有效地集成到图形编码器中。然后使用作为GAT中第l层的输入，以产生下一层的表示：
通过这种方式，AE不仅能够将其在不同层上提取到的属性信息传递给图模型，还能帮助图模型更充分地学习有效的特征表示，这些增强的特征表示随后可以用于聚类任务，从而进一步实现对故障设备的风险区域进行精确分类。
构建初始的自动编码器模型之后，将每一第二训练样本分别输入至初始的自动编码器模型中进行迭代训练，通过反复训练来优化模型，使其能够更准确地捕捉和表示数据中的潜在特征，在迭代训练的过程中，不断地调整模型的参数，以减小损失函数的值，这个过程会一直持续进行，直到损失函数收敛到一个相对稳定的值，这意味着模型已经学到了足够多的信息，并且进一步训练不太可能再带来显著的性能提升。当损失函数收敛时，就得到了一个训练好的网络状态感知模型。这个模型能够准确地捕捉和表示数据的潜在特征，为步骤S3的故障等级分类任务提供有力的支持。
步骤S4：将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；
对于步骤S4，将步骤S3得到的每一节点的风险等级与预设的等级进行匹配，将风险等级属于预设等级的节点确定为故障节点，在本实施例中，预设的等级为第一风险等级和第二风险等级，将风险等级属于第一风险等级或第二风险等级的节点确定为故障节点，在确定故障节点的同时，也将配电通信网中除了这些故障节点以外的所有节点视为正常节点。这些正常节点在当前的风险评估下，被认为具有较高的稳定性和可靠性，发生故障的概率较低。
在一优选的实施例中，配电通信网络故障修复方法，还包括：
将故障节点的第一流量预测值输入至训练好的故障诊断模型中，以使故障诊断模型根据故障节点的第一流量预测值，确定故障节点的故障标签。
在一优选的实施例中，故障诊断模型通过以下方式确定：
获取若干第三训练样本；第三训练样本包括：配电通信网中每一节点的第二历史网络流量时间序列数据，以及对应节点的故障标签；
将每一第三训练样本分别输入至待训练的故障诊断模型中进行迭代训练，直至第三损失函数收敛，得到训练好的故障诊断模型；其中，在每次训练时，将当前第三训练样本中每一节点的第二历史网络流量时间序列数据进行特征映射与标签分类，得到预测标签；根据预测标签和对应的故障标签，计算第三损失函数。
在本发明一实施例中，在确定故障节点之后，可以进一步确定故障节点的故障类型，具体来说，将故障节点的第一流量预测值输入至训练好的故障诊断模型中，故障诊断模型会根据输入的数据，结合其学习到的故障特征与流量特征之间的映射关系，对故障节点的故障类型进行推断，得到故障节点的故障标签。故障标签是一个具体的标识，用于表示故障节点的故障类型(如硬件故障、软件故障、网络拥塞等)。
下面是对故障诊断模型的训练过程进行详细说明：
首先，进行数据准备，采用CWRU轴承数据集，该数据集包含了不同条件下采集的轴承振动信号。这些信号通过传感器记录轴承运行时的振动情况，主要用于研究三种故障类型：轴承内圈故障、轴承滚动体故障、轴承外环故障。收集配电网流量数据，这些数据记录了交换机各端口从2023年6月至2023年11月期间，每日以一定采样频率采集的流量大小。
这些数据将用于模型的迁移学习和故障预测，具体来说，首先，构建特征提取器，将配电网流量数据映射到D维的特征向量f∈RD；其中，Wf和bf为特征提取器的权重矩阵和偏置，设计的特征提取器共三个模块，每个模块都由一个一维卷积层、批量归一化层、最大池化层构成，采用ReLu作为激活函数，最后通过一个自适应平均池化层，输出特征向量。通过应用尺寸为3的一维卷积窗口，对输入数据进行连续的卷积操作。随后，对这些经过卷积处理的数据执行批量归一化操作，调整数据的统计参数，使其符合正态分布，减少内部协变量偏移，加速深层网络的收敛速度，使用ReLu(·)激活函数引入非线性，增加网络的表达能力，使网络可以学习和表示更加复杂的函数关系，同时也可以避免梯度消失的问题，最后通过一个最大池化层，保留输入特征的最强响应，突出显著特征。
其次，构建域分类器，根据特征提取器输出的特征向量f，学习源域和目标域数据的特征表示，对它们进行二分类，输出域分类标签d，认为域标签为0的数据来自源域，域标签为1的数据来自目标域，以此预测数据来源。域分类器由几个全连接层组成，将f经过一个全连接层，对特征向量中的所有参数进行学习，后经过一个批量归一化层，引入ReLu激活函数以实现数据的非线性转换，丰富数据的表示维度，通过全连接层将特征转化为类别概率，使用sigmoid(·)函数对这些概率进行规范化。
接着，建标签分类器，根据输入数据的特征，预测其对应的类别标签。为了减少过拟合现象，在标签分类器的训练过程中引入一些Dropout层，在训练过程中随机丢弃网络中的神经元，使其在前向和反向传播中都不发挥作用，从而模拟一个小网络，在每次训练时学习到的都是不同的子网络特征，减少了神经元之间的复杂共适应性，使网络学习到更泛化的特征。而在测试时激活所有的神经元，提高模型的表现能力。标签分类器的最后一层采用了LogSigmoid函数作为激活函数，LogSigmoid函数的定义如下：
它与常用的Sigmoid函数的区别是，将输入值映射到了一个负无穷到0的区间内，这使得在反向传播的过程中梯度的动态范围更宽，有助于缓解梯度消失问题，且可以提高数值稳定性。
然后，构建梯度反转层，其核心功能是在模型的前向传播过程中保持输入不变，而在反向传播过程中将梯度乘以一个负数，从而改变参数更新的方向，在反向传播时通过降低标签分类器损失提高模型性能，同时最大化域分类器损失实现域迁移。
将数据输入至特征提取器，将其映射到高维的特征空间，输出为：
f＝Gf(x,Wf,bf)
将特征提取器输出的特征向量分别输入至域分类器和标签分类器中，得到相应的域分类标签和故障分类标签，输出为：
d＝Gd(Gd(x)；Wd,bd)＝Gd(f；Wd,bd)
y＝Gy(Gf(x)；Wf,bf)＝Gd(f；Wf,bf)
在特征提取器和域分类器之间，引入一个梯度反转层(GRL)，用于反转域分类器的梯度，以在特征提取器的训练过程中实现两个目标：一是优化标签分类器的性能，二是通过模糊领域界限来增强特征的跨域泛化能力。使得特征提取器在更新参数时，不仅要考虑标签分类器的损失，还要考虑如何“欺骗”域分类器，在源域和目标域之间的分类准确率接近随机猜测的水平，使其难以区分特征来源。域分类器损失如下式：
GRL采取一种独特的策略，截取来自后层的梯度，并通过乘以一个特定的系数-λ来反转梯度方向，用以下公式定义参数λ：
其中，max和min决定了参数λ的变化区间，即在训练中的最大值和最小值，α决定了参数λ的变化速率，i和n分别代表是训练的第几个样本和样本总数。在训练前期，由于i比较小，λ的值比较接近设定的最小值min，随着训练的进行，λ逐渐往最大值max增大。这样设计可以使前期的训练减少来自噪声的影响，到后期加速网络收敛，学习域不变特征。
通过最小化标签分类器的损失函数(如交叉熵损失函数)，使得模型可以充分利用源域数据，提升分类性能，更新特征提取器和标签分类器的参数，使其逐渐收敛达到最优状态。标签分类损失如下式：
步骤S5：获取正常节点的位置、连接关系以及网络流量数据；
对于步骤S5，经过步骤S4区分出故障节点和正常节点之后，获取正常节点的位置、连接关系以及网络流量数据，以便于后续制定路由的恢复方案。
步骤S6：将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径；
对于步骤S6，在区分出正常节点和故障节点之后，将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，路由修复模型是基于深度学习算法，通过分析和学习网络中的正常行为模式，能够预测并优化网络中的路由路径。当网络出现故障时，路由修复模型可以依据正常节点的数据，自动排除故障节点，计算出最优的路由路径，从而恢复网络的连通性和性能。
具体来说，路由修复模型首先会根据输入的正常节点的位置、连接关系以及网络流量数据，生成嵌入节点流量数据的完整拓扑矩阵，在这个矩阵中，假设网络中有N个节点，每一个节点都被赋予了一个包含其入带宽利用率、入流量、横坐标以及纵坐标的元组，这些元组被巧妙地拼接成一个高维度的信息矩阵。随后，这个信息矩阵被作为神经网络的输入数据。
神经网络在接收到这些信息后，会经过一系列复杂的计算与处理，最终输出一个维度为N的向量。这个向量中的每一个元素，都对应着网络中的一个节点，它们代表了节点的嵌入值。这些嵌入值，是神经网络基于全图的拓扑结构以及节点的性能指标，通过降维编码技术得到的。
紧接着，我们利用一个单智能体网络，将原始的节点拓扑图转换为一个加权的拓扑图。在这个加权图中，每一条边的权重值都是由神经网络根据全图的拓扑结构以及节点的性能指标计算得出的。这样的设计，使得模型能够更加精准地捕捉到节点之间的连接强度以及网络的整体性能表现。
在完成了节点嵌入值的计算和加权拓扑图的构建之后，路由修复模型进入了策略生成的最终阶段。此时，模型内部训练好的单智能体算法开始发挥作用，它融合了强化学习和排序机制来生成最优的路由策略。强化学习部分使单智能体能够在模拟的网络环境中进行试错学习，它根据当前网络状态(即加权拓扑图和节点嵌入值)选择路由路径，并接收来自环境的反馈(如网络性能的提升或下降)。通过不断地学习和调整，单智能体逐渐学会了如何在不同的网络条件下选择最优的路由路径。排序机制则用于在多个可能的路由路径中选择最优的一个。它基于神经网络对节点和连接的性能评估，对候选路径进行排序，从而选择出性能最优、连通性最强且最符合当前网络需求的路由路径。
最终，路由修复模型通过结合强化学习和排序机制，生成了一个既考虑了网络性能又考虑了连通性的最优路由策略。这个策略能够有效地绕过故障节点，利用正常节点的位置和连接关系，以及网络流量数据，确保数据在网络中的高效、稳定传输。
下面是对路由修复模型的训练过程进行详细说明：
如图4所示，路由修复模型的训练过程包括以下步骤：
步骤S601：获取若干第四训练样本；第四训练样本包括：配电通信网中每一节点的位置、连接关系以及网络流量数据；
对于步骤S601，要进行路由修复模型的训练，首先需要获取一些第四训练样本，这些样本包括配电通信网中每一节点的位置、连接关系以及网络流量数据。
需要说明的是，路由修复模型是一个无监督的深度强化学习模型，对于路由修复模型来说，其“环境”可以模拟配电通信网，其中每个节点和连接都代表着网络的一部分，路由修复模型的任务是在这个模拟环境中找到最优的路由路径，为了实现这一目标，路由修复模型需要不断地尝试不同的路径，并根据网络性能(如延迟、吞吐量等)接收反馈。这些反馈将被用作奖励或惩罚信号，以指导模型的学习过程。
步骤S602：将每一第四训练样本分别输入至待训练的路由修复模型中进行迭代训练，直至第四损失函数收敛，得到训练好的路由修复模型；其中，在每次训练时，根据当前第四训练样本中每一节点的位置、连接关系以及网络流量数据，生成拓扑矩阵；拓扑矩阵通过单智能体算法中的强化学习以及排序机制，生成路由策略；根据路由策略和预设的奖励函数，计算第四损失函数。
对于步骤S602，将步骤S601得到的每一第四训练样本分别输入至待训练的路由修复模型中进行迭代训练，直至第四损失函数收敛，得到训练好的路由修复模型。具体来说，首先，将整个电网系统视为智能体(agent)，这个智能体负责在电网中寻找最优的路由路径
将路由路径的长度，路径上所有节点的入带宽利用率之和与入流量之和作为状态空间(state space)，表示为(Dr,Rt,Ot)，其中，Dr代表路径之和，Rt表示入带宽利用率之和，Ot表示入流量之和。
将每个节点的权重表示为(I1,I2,...,IN)，将其作为动作空间(action space)，其中N为节点的数量。
将奖励函数定义如下：
其中，clip(x,min,max)是裁剪函数，表示将x裁剪到(min,max)的范围内。当网络输出一个路由策略后，本算法将使用检测函数判断该路由是否为“死路由”，若是，则给出一个-2的奖励值；反之，算法计算所得路由上所有节点的入带宽利用率之和与入流量之和的负乘积，并将其裁剪到(-2,0)的范围内。裁剪的目的是为了增强训练过程的稳定性。同时，本方法使-RtOt乘上一个系数，确保大部分值原本就在(-2,0)范围内。这种做法能为不同的状态赋予不同的奖励值，从而使模型能够更准确地反映神经网络输出的效果。
接着，初始化Actor网络的参数θμ和Critic网络的参数i∈{1,2}。而目标Actor网络和目标Critic网络参数的初始化是通过复制其对应的Actor网络和Critic网络的参数，即θμ′＝θμ，同时，确定重放缓冲区的容量，折扣因子(discount factor)Υ、学习率、软更新系数τ、最大步长Nsteps和最大轮数Nepisode。
将系统的初始状态输入Actor网络，得到初始状态：
at＝clip(μ(st|θμ)+κ,aLow,aHigh)
其中，
将系统反馈的奖励rt，采取的行动at，当前状态st，和下一个状态st+1存储在重放缓冲区中。更新DNN时，随机抽取重放缓冲区中的小批量经验样本，然后通过目标Actor网络计算目标动作：
at+1＝clip.μ’.st+1|θμ’)+clip(κ′,-c,c),aLow,aHigh)
其中，
得到目标动作后，通过选择目标Critic网络输出的最小值来计算目标奖励值：
采用梯度下降法对Critic网络的参数进行更新，使第四损失函数最小化：
其中，i∈{1,2}。
此外，目标网络和Actor网络的更新频率低于算法中的Critic网络。因此，每训练t0步，使用梯度上升来更新Actor网络：
其中，at＝μ(st|θμ)。
同时，每训练t0步，使用软更新系数来更新目标网络：
θμ'←τθμ+(1-τ)θμ'
其中，i∈{1,2}。
将节点的邻居节点至终点的距离以及神经网络输出的权重进行独立排序。接下来，将各自排序的结果逐位相加，得到一个综合排序列表，利用综合排序表选择下一条邻居节点。例如，节点0有节点NL＝[1,2,3]三个邻居，它们到终点的距离分别为d＝[1200,1000,1100]，那么距离排序表则为Od＝[2,0,1](从小到大排序)。同理，本方法也对邻居节点权重表进行排序，假设它们的权重分别为w＝[0.9,0.2,0.4]，则权重排序表为Ow＝[2,0,1](从小到大排序)。下一步，将距离排序与权重排序的结果逐项相加，基于上述假设，加和的综合排序为Oa＝[4,0,2]。最后，本文选择加和结果的最小值索引作为下一跳节点的索引，例如Oa的最小值为0，其索引为1。因此，根据上述邻居节点列表NL＝[1,2,3]，则选择节点2作为节点0的下一跳节点。
步骤S7：配电通信网根据最优路由路径，更新每一节点的连接关系。
对于步骤S7，步骤S6得到的最优路由路径是基于正常节点的连接信息，完全不考虑故障节点的存在，根据最优路由路径，配电通信网重新配置每个节点的连接关系，能够确保所有正常节点都能高效、稳定地相互通信，同时彻底断开与故障节点的连接，以维护网络的整体稳定性。
本发明的配电通信网通过分析历史流量数据，来预测未来的流量值，使得网络能够提前识别出可能发生故障的节点，从而在故障实际发生之前，就采取必要的修复措施，这种前瞻性的故障预测与修复策略，极大地降低了故障对网络运行的影响，减少了由此带来的各种损失。
如图5所示，在上述方法项实施例的基础上，提供了对应的装置项实施例；
本发明一实施例提供了一种配电通信网络故障修复装置，包括：流量数据获取模块、流量预测模块、节点风险确定模块、节点定义模块、路由数据获取模块、最优路由路径确定模块、以及路径更新模块；
流量数据获取模块，用于获取配电通信网中每一节点的第一历史网络流量时间序列数据；
流量预测模块，用于对于配电通信网中每一节点，将第一历史网络流量时间序列数据输入至训练好的流量预测模型中，以使流量预测模型根据第一历史网络流量时间序列数据，确定下一时间步的第一流量预测值；
节点风险确定模块，用于将每个节点的第一流量预测值输入至训练好的网络状态感知模型中，以使网络状态感知模型根据每个节点的第一流量预测值，确定每个节点的风险等级；
节点定义模块，用于将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；
路由数据获取模块，用于获取正常节点的位置、连接关系以及网络流量数据；
最优路由路径确定模块，用于将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径；
路径更新模块，用于配电通信网根据最优路由路径，更新每一节点的连接关系。
可以理解的是，上述装置项实施例是与本发明方法项实施例相对应的，其可以实现本发明上述任意一项方法项实施例提供的配电通信网络故障修复方法。
需说明的是，以上所描述的装置实施例仅仅是示意性的，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在上述配电通信网络故障修复方法的实施例的基础上，本发明另一实施例提供了一种终端设备，该终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的配电通信网络故障修复方法。
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
在上述方法项实施例的基础上，提供了另一实施例：本发明另一实施例提供的一种计算机可读存储介质，包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行本发明上述任意一项方法项实施例所述的配电通信网络故障修复方法。
其中，所述配电通信网络故障修复装置/终端设备集成的模块/单元，如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种配电通信网络故障修复方法，其特征在于，包括：
获取配电通信网中每一节点的第一历史网络流量时间序列数据；
对于配电通信网中每一节点，将第一历史网络流量时间序列数据输入至训练好的流量预测模型中，以使所述流量预测模型根据第一历史网络流量时间序列数据，确定下一时间步的第一流量预测值；
将每个节点的第一流量预测值输入至训练好的网络状态感知模型中，以使所述网络状态感知模型根据每个节点的第一流量预测值，确定每个节点的风险等级；
将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；
获取正常节点的位置、连接关系以及网络流量数据；
将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使所述路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径；
配电通信网根据所述最优路由路径，更新每一节点的连接关系。
2.根据权利要求1所述的配电通信网络故障修复方法，其特征在于，还包括：
将所述故障节点的第一流量预测值输入至训练好的故障诊断模型中，以使所述故障诊断模型根据故障节点的第一流量预测值，确定故障节点的故障标签。
3.根据权利要求2所述的配电通信网络故障修复方法，其特征在于，所述流量预测模型通过以下方式确定：
获取若干第一训练样本；所述第一训练样本包括：配电通信网中每一节点的第二历史网络流量时间序列数据，以及下一时间步的实际流量值；
将每一第一训练样本分别输入至初始的长短期记忆神经网络模型中进行迭代训练，直至第一损失函数收敛，得到训练好的流量预测模型；其中，在每次训练时，将当前第一训练样本中每一节点的第二历史网络流量时间序列数据进行若干次前向传播，得到第二流量预测值；根据所述第二流量预测值以及对应第一训练样本中的下一时间步的实际流量值，计算第一损失函数。
4.根据权利要求3所述的配电通信网络故障修复方法，其特征在于，所述网络状态感知模型通过以下方式确定：
获取若干第二训练样本；所述第二训练样本包括：配电通信网中每一节点的流量值，以及对应节点的风险等级；
将每一第二训练样本分别输入至初始的自动编码器模型中进行迭代训练，直至第二损失函数收敛，得到训练好的网络状态感知模型；其中，在每次训练时，将当前第二训练样本中每一节点的流量值通过自动编码器模型内设的编码器进行压缩和降维，得到潜在空间中的第一低维特征；将所述第一低维特征通过自动编码器模型内设的图自动编码器进行聚类，得到预测的聚类结果；根据所述预测的聚类结果以及对应第二训练样本中对应节点的风险等级，计算第二损失函数。
5.根据权利要求4所述的配电通信网络故障修复方法，其特征在于，所述自动编码器模型内设的编码器通过以下方式确定：
将每一第二训练样本分别输入至所述自动编码器模型中待训练的编码器和待训练的解码器进行迭代训练，直至重建损失收敛，得到所述自动编码器模型内设的编码器；其中，在每次训练时，将当前第二训练样本中每一节点的流量值通过自动编码器模型中待训练的编码器进行压缩和降维，得到潜在空间中的第二低维特征；将所述第二低维特征通过自动编码器模型中待训练的解码器进行重构，得到重建数据；根据所述重建数据和对应第二训练样本中每一节点的流量值，计算重建损失。
6.根据权利要求5所述的配电通信网络故障修复方法，其特征在于，所述故障诊断模型通过以下方式确定：
获取若干第三训练样本；所述第三训练样本包括：配电通信网中每一节点的第二历史网络流量时间序列数据，以及对应节点的故障标签；
将每一第三训练样本分别输入至待训练的故障诊断模型中进行迭代训练，直至第三损失函数收敛，得到训练好的故障诊断模型；其中，在每次训练时，将当前第三训练样本中每一节点的第二历史网络流量时间序列数据进行特征映射与标签分类，得到预测标签；根据所述预测标签和对应的故障标签，计算第三损失函数。
7.根据权利要求6所述的配电通信网络故障修复方法，其特征在于，所述路由修复模型通过以下方式确定：
获取若干第四训练样本；所述第四训练样本包括：配电通信网中每一节点的位置、连接关系以及网络流量数据；
将每一第四训练样本分别输入至待训练的路由修复模型中进行迭代训练，直至第四损失函数收敛，得到训练好的路由修复模型；其中，在每次训练时，根据当前第四训练样本中每一节点的位置、连接关系以及网络流量数据，生成拓扑矩阵；所述拓扑矩阵通过单智能体算法中的强化学习以及排序机制，生成路由策略；根据所述路由策略和预设的奖励函数，计算第四损失函数。
8.一种配电通信网络故障修复装置，其特征在于，包括：流量数据获取模块、流量预测模块、节点风险确定模块、节点定义模块、路由数据获取模块、最优路由路径确定模块、以及路径更新模块；
所述流量数据获取模块，用于获取配电通信网中每一节点的第一历史网络流量时间序列数据；
所述流量预测模块，用于对于配电通信网中每一节点，将第一历史网络流量时间序列数据输入至训练好的流量预测模型中，以使所述流量预测模型根据第一历史网络流量时间序列数据，确定下一时间步的第一流量预测值；
所述节点风险确定模块，用于将每个节点的第一流量预测值输入至训练好的网络状态感知模型中，以使所述网络状态感知模型根据每个节点的第一流量预测值，确定每个节点的风险等级；
所述节点定义模块，用于将风险等级属于预设等级的节点确定为故障节点，并将配电通信网中除了故障节点以外的所有节点确定为正常节点；
所述路由数据获取模块，用于获取正常节点的位置、连接关系以及网络流量数据；
所述最优路由路径确定模块，用于将正常节点的位置、连接关系以及网络流量数据输入至训练好的路由修复模型中，以使所述路由修复模型根据正常节点的位置、连接关系以及网络流量数据，确定最优路由路径；
所述路径更新模块，用于配电通信网根据所述最优路由路径，更新每一节点的连接关系。
9.一种终端设备，其特征在于，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7任意一项所述的配电通信网络故障修复方法。
10.一种计算机可读存储介质，其特征在于，包括：存储的计算机程序，其中，在所述计算机程序运行时，控制所述计算机可读存储介质所在的设备执行如权利要求1-7任意一项所述的配电通信网络故障修复方法。
CN202411720767.1A 2024-11-28 2024-11-28 一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质 Pending CN119544603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411720767.1A CN119544603A (zh) 2024-11-28 2024-11-28 一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411720767.1A CN119544603A (zh) 2024-11-28 2024-11-28 一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN119544603A true CN119544603A (zh) 2025-02-28

Family

ID=94710790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411720767.1A Pending CN119544603A (zh) 2024-11-28 2024-11-28 一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN119544603A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120358567A (zh) * 2025-06-23 2025-07-22 北京前景无忧电子科技股份有限公司 适用于配电网络的通信路由优化方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111970163A (zh) * 2020-06-30 2020-11-20 网络通信与安全紫金山实验室 一种基于注意力机制的lstm模型的网络流量预测方法
CN112231142A (zh) * 2020-09-22 2021-01-15 南方电网调峰调频发电有限公司信息通信分公司 系统备份恢复方法、装置、计算机设备和存储介质
CN114219045A (zh) * 2021-12-30 2022-03-22 国网北京市电力公司 配电网风险动态提前预警方法、系统、装置及存储介质
CN115801549A (zh) * 2023-01-28 2023-03-14 中国人民解放军国防科技大学 基于关键节点识别的自适应网络恢复方法、装置及设备
CN118520379A (zh) * 2024-07-23 2024-08-20 国网陕西省电力有限公司电力科学研究院 一种gis隔离开关风险评估方法、装置、设备和存储介质
CN118631513A (zh) * 2024-06-05 2024-09-10 广州市杰青计算机有限公司 一种智能化网络集成优化系统
CN118660014A (zh) * 2024-08-19 2024-09-17 苏州爱雄斯通信技术有限公司 光通信装置的动态负载均衡方法及系统
CN119024097A (zh) * 2024-08-14 2024-11-26 广东电网有限责任公司 一种配电网的故障诊断方法、装置、终端设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111970163A (zh) * 2020-06-30 2020-11-20 网络通信与安全紫金山实验室 一种基于注意力机制的lstm模型的网络流量预测方法
CN112231142A (zh) * 2020-09-22 2021-01-15 南方电网调峰调频发电有限公司信息通信分公司 系统备份恢复方法、装置、计算机设备和存储介质
CN114219045A (zh) * 2021-12-30 2022-03-22 国网北京市电力公司 配电网风险动态提前预警方法、系统、装置及存储介质
CN115801549A (zh) * 2023-01-28 2023-03-14 中国人民解放军国防科技大学 基于关键节点识别的自适应网络恢复方法、装置及设备
CN118631513A (zh) * 2024-06-05 2024-09-10 广州市杰青计算机有限公司 一种智能化网络集成优化系统
CN118520379A (zh) * 2024-07-23 2024-08-20 国网陕西省电力有限公司电力科学研究院 一种gis隔离开关风险评估方法、装置、设备和存储介质
CN119024097A (zh) * 2024-08-14 2024-11-26 广东电网有限责任公司 一种配电网的故障诊断方法、装置、终端设备及存储介质
CN118660014A (zh) * 2024-08-19 2024-09-17 苏州爱雄斯通信技术有限公司 光通信装置的动态负载均衡方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120358567A (zh) * 2025-06-23 2025-07-22 北京前景无忧电子科技股份有限公司 适用于配电网络的通信路由优化方法、系统及设备

Similar Documents

Publication Publication Date Title
WO2023279674A1 (en) Memory-augmented graph convolutional neural networks
CN110601777B (zh) 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
CN114116995B (zh) 基于增强图神经网络的会话推荐方法、系统及介质
CN118214718B (zh) 拥塞控制方法、电子设备、存储介质和程序产品
CN112613227A (zh) 基于混合机器学习的航空发动机剩余使用寿命预测模型
Urgun et al. Composite power system reliability evaluation using importance sampling and convolutional neural networks
CN119544603A (zh) 一种配电通信网络故障修复方法、装置、终端设备及计算机可读存储介质
CN117591722A (zh) 一种基于社交网络舆论动力学模型的舆论传播预测方法及系统
CN114662658B (zh) 一种基于lstm神经网络的片上光网络热点预测方法
CN118429004B (zh) 供应链网络中商品订单预测方法和相关产品
CN119355538B (zh) 基于模糊数学与遗传算法的电池荷电状态估算方法
CN115841179A (zh) 一种基于图数字孪生的电力系统态势感知方法
KR20250068149A (ko) 다변량 데이터의 결측치 대체 방법
CN115800274B (zh) 一种5g配电网馈线自动化自适应方法、装置及存储介质
CN113704570B (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
JP3757722B2 (ja) 多層ニューラルネットワークユニット数最適化方法及び装置
Etefaghi et al. AdaInNet: an adaptive inference engine for distributed deep neural networks offloading in IoT-FOG applications based on reinforcement learning
CN117454750A (zh) 温度预测方法、装置、设备以及存储介质
CN117332818A (zh) 基于自适应图神经网络多源数据融合的故障诊断方法
Shi A method of optimizing network topology structure combining Viterbi algorithm and Bayesian algorithm
Shu et al. Link prediction based on 3D convolutional neural network
Mahmoudabadi et al. Online one pass clustering of data streams based on growing neural gas and fuzzy inference systems
CN120499024A (zh) 一种通信网故障预警方法、装置、终端设备及存储介质
CN119151703B (zh) 基于代理模型自适应选择的多目标大规模社区检测方法
KR102875852B1 (ko) 파라메트릭 보상 강화학습을 활용한 네트워크 관리에서의 동적 서브모듈 학습 방법 및 시스템

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination